今天小编和大家分析一篇2021年11月发表在BMC Cancer（IF:3.8）杂志的文章《Identification of key genes and pathways associated with resting mast cells in meningioma》。作者使用从基因表达综合（GEO）数据库中检索脑膜瘤相关微阵列数据，以研究肿瘤免疫细胞相关基因、转录因子（TF）、功能过程和可能与脑膜瘤发展和患者总体生存率显着相关的通路，探索脑膜瘤发展的分子机制具有重要价值，有助于疾病治疗和患者预后改善。
背景：
脑膜瘤是最常见的原发性脑肿瘤，占中枢神经系统肿瘤的35%-40%，发病率约为2/100,000成人。脑膜瘤通常伴有头痛、失衡、视力受损和其他神经系统问题，可使患者非常虚弱。根据世界卫生组织对神经组织肿瘤的分类，脑膜瘤属于脑膜的脑膜细胞瘤，分为I级、II级和III级。尽管大多数脑膜瘤被归类为WHO I级（85%-95%），并被认为是良性实体瘤，但肿瘤即使在完全切除后仍可能复发，据报道，这些患者的复发率在10年和20年内分别为7.5%或9.3%。
肿瘤相关微环境由肿瘤免疫细胞类型、密度和定位组成，不同人类肿瘤中的免疫细胞浸润与临床结果之间存在相关性。脑膜瘤是一种免疫敏感性恶性肿瘤，有大量免疫细胞浸润，包括CD8淋巴细胞、巨噬细胞和肥大细胞（MCs）。在过去的几十年中，研究人员已经描述了肥大细胞在多种生理和病理条件下的重要性。然而，它们在脑膜瘤发展过程中的分子机制仍然未知。
方法
1.数据准备；
2.差异基因分析；
3.浸润免疫细胞丰度分析；
4.筛选免疫细胞相关模块和基因；
5.生存分析；
6.TF-miRNA-mRNA共表达网络的构建；
7.功能富集分析；
8.脑膜瘤相关通路分析；
9.蛋白质-蛋白质相互作用（PPI）网络构建；
10.药物-基因相互作用的预测。
研究结果
DEGs的识别
在GSE43290数据集中，共鉴定出1499个DEGs，其中73个为上调，1426个为下调。在GSE77259数据集中鉴定出4830个DEGs，其中上调基因2536个，下调基因2294个。DEGs的火山图和PCA聚类GSE43290结果显示，两组之间的DEGs可以显著区分。使用GSE43290中的1499个DEGs进一步筛选，这些DEGs的表达模式可以将样品分为两组。
为了进一步预测这些DEGs在脑膜瘤中的潜在功能，进行了富集分析。GO分析结果表明，这些DEGs按生物过程（BP）、细胞成分（CC）和分子功能（MF）进行功能分类。其中，与免疫应答（白细胞迁移、白细胞趋化性）和应答过程（对金属离子的反应、对锌离子的反应、对外界刺激的反应的正调控）相关的几种BP显著富集；CCs和MFs主要与心脏电活动的调节有关。KEGG通路分析揭示了一系列富集通路，如IL-17信号通路和TNF信号通路。
免疫细胞浸润情况
基于GSE43290数据集，使用CIBERSORT算法检测了22种免疫细胞类型中肿瘤样本和对照样本之间免疫细胞浸润的差异。51个样本中有48个样本有效（P值小于0.05），包括44个肿瘤样本和4个正常样本。在22种免疫细胞类型中，每个样本中CD8+ T细胞（黄色）和M2巨噬细胞（蓝色）的比例相对较高。根据小提琴图，肿瘤中记忆B细胞、调节性T细胞和静息肥大细胞的分布概率明显高于对照样本（P <0.05），表明免疫浸润比例有助于区分脑膜瘤患者和健康患者。大量文献表明肥大细胞（MC）与脑膜瘤的发生有关，而本研究中静止的大量细胞浸润比例相对较高。因此，后续分析的重点是静止的肥大细胞。
加权基因共表达网络分析（WGCNA）
通过WGCNA分析，基于1499个DEGs构建了10个共表达模块。结果显示，相关性最高的黄色模块包含158个DEGs，其中上调基因2个，下调基因156个。黄色模块与脑膜瘤组织中静止肥大细胞浸润程度呈负相关。
此外，GO功能分析显示，黄色模块中的基因在白细胞迁移、细菌来源分子和炎症反应等生物过程中占主导地位；KEGG通路分析显示，这些基因主要富集在TNF信号通路、细胞因子-细胞因子受体相互作用和IL-17信号通路中。
构建关键基因的风险模型
使用单变量COX和多变量COX分析确定静止肥大细胞相关关键基因与脑膜瘤患者预后是否相关。根据单变量COX回归分析中的9个基因，构建了风险模型。首先，以风险评分的中位数为分界值，将脑膜瘤患者分为低风险组和高风险组两类，高风险组样本的存活时间相对低风险组更低，高风险组和低风险组的关键基因存在差异。K-M生存曲线显示，高风险组与低风险组的生存时间存在显著差异，表明与静息肥大细胞相关的9个关键基因的风险模型构建成功。
TF-miRNA- mRNA调控网络
根据数据库miRWalk3.0、TargetScan、MiRDB和MirTarBase，预测了145个作用于与静止肥大细胞相关的风险模型基因的miRNA。根据HMDD数据库检索得到了3对miRNA-mRNA（包括MYC-miR-145-5p、TNFAIP3-miR-29c-3p和TNFAIP3-miR-335-3p）。利用TRRUST数据库筛选出37对TF-mRNA（包括6个mRNA和27个TF）。基于mRNA-miRNA对和TF-mRNA对，利用Cytoscape构建了miRNA-TF-mRNA共调控网络。
为了进一步研究参与miRNA-TF-mRNA调控网络的基因的潜在生物学功能，还进行了GO和KEGG通路分析。
根据STRING数据库，利用Cytoscape将miRNA-TF-mRNA共调控网络中的27个TFs和风险模型中的9个关键基因构建成PPI网络（PPI得分=0.4）。PPI网络中有36个节点和197个相互作用。PPI得分大于12时，使用Cytoscape软件的MCODE进一步从PPI网络中发现了一个包含15个节点和88个相互作用的模块。
药物基因网络
根据风险模型中的9个关键基因，利用DGIdb 3.0数据库共鉴定出50对药物-基因相互作用配对，包括3个靶基因（CXCL2、CXCL8和MYC）和49种药物。
